بازار هوش مصنوعی صوتی داغ است و بازیگران مطرح این حوزه می‌کوشند با مشارکت‌ها و خرید شرکت‌ها، جایگاه خود را در شرایطی که مدل‌های کسب‌وکار بیشتری ظهور می‌کنند، تثبیت کنند. Deepgram تازه‌ترین شرکتی است که در این مسیر گام برداشته است: این شرکت روز پنج‌شنبه اعلام کرد Daily را می‌خرد؛ شرکتی که Pipecat، یکی از محبوب‌ترین زیرساخت‌های متن‌باز هوش مصنوعی صوتی، را ساخته و توسعه می‌دهد.

دو شرکت مبلغ این معامله را اعلام نکردند، اما گفتند Pipecat متن‌باز باقی خواهد ماند.

برای آشنایی بیشتر، Pipecat چارچوبی است که جریان‌های صوتی و تصویری و بخش‌های دیگر خط پردازش، مانند مدل‌های تبدیل گفتار به متن (STT)، مدل‌های زبانی بزرگ و مدل‌های تبدیل متن به گفتار (TTS) را مدیریت می‌کند و هم‌زمان تأخیر را کاهش می‌دهد. شرکت سازنده آن، Daily، زیرساخت میزبانی‌شده‌ای برای انواع تماس‌های صوتی و تصویری ارائه می‌دهد.

Deepgram با در اختیار گرفتن Pipecat احتمالاً درک عمیق‌تری از زیرساخت‌های صوتی و تصویری بلادرنگ به دست خواهد آورد.

بر اساس داده‌های PitchBook، Daily تاکنون بیش از ۶۲ میلیون دلار از سرمایه‌گذارانی مانند Tiger Global، Highfield Capital، Nat Friedman، Lachy Groom و Kevin Weil جذب کرده است. Deepgram نیز اوایل امسال با جذب ۱۳۰ میلیون دلار در دور سرمایه‌گذاری سری C به جایگاه یونیکورن رسید. جالب آن‌که هر دو شرکت در سال ۲۰۱۶ در یک دوره از Y Combinator حضور داشتند.

Kwindla Kramer، هم‌بنیان‌گذار Daily، گفت این شرکت تقریباً هم‌زمان با عرضه GPT-4 آزمایش ارتباط هوش مصنوعی با انسان از طریق صدا و متن را آغاز کرد و این آزمایش‌ها در نهایت به شکل‌گیری چارچوب Pipecat انجامید. او گفت هرچند پیشنهادهای خرید زیادی مطرح شده بود، تعهد Scott Stephenson، مدیرعامل Deepgram، به متن‌باز نگه‌داشتن همیشگی Pipecat و هم‌خوانی فرهنگ مهندسی دو سازمان باعث شد پیشنهاد Deepgram را ترجیح دهد؛ این معامله همچنین به تیم Daily آزادی می‌دهد تا در سازمانی بزرگ‌تر روی بخش‌های مختلف پشته فناوری کار کند.

کرامر به TechCrunch گفت: «Scott کاملاً متعهد بود که Pipecat برای همیشه متن‌باز و مستقل از فروشنده باقی بماند. به‌نظرم این موضوع هم پشتوانه‌ای شخصی دارد و هم محرکی تجاری. اگر در میانه اکوسیستمی قرار بگیرید که با سرعت زیادی رشد می‌کند و شرکت شما در چندین بخش آن اکوسیستم واقعاً بهترین باشد، متن‌باز نگه‌داشتن همه‌چیز تا جای ممکن یک مزیت تجاری به شمار می‌رود.»

Stephenson گفت Deepgram مدت‌هاست می‌خواهد در حوزه متن‌باز فعالیت کند و این شرکت به این نتیجه رسیده که چارچوبی برای هماهنگ‌سازی عامل‌ها می‌تواند زمینه‌ای مناسب باشد؛ همین موضوع به تصمیم برای همکاری با Daily انجامید.

او گفت: «می‌خواهیم اکوسیستم را باز کنیم تا همه بتوانند عامل‌های صوتی بسازند. اگر از مدل‌های Deepgram استفاده کنید عالی است، اما می‌خواهم برای کاربرد خودتان بهترین مدل‌ها را به کار بگیرید. اگر Deepgram متوجه شود که در حوزه‌ای خاص، مدل‌ها و محصولات خودمان نیاز به پیشرفت دارند، عالی است. می‌خواهیم از شرکا استفاده کنید و خودمان هم برای بهترشدن در آن حوزه‌ها تلاش می‌کنیم.»

Stephenson گفت این خرید به توسعه‌دهندگان امکان می‌دهد با اتصال مدل‌های مختلف و یک گذرگاه زمینه‌ای که همه بخش‌ها را به هم پیوند می‌دهد، عامل‌هایی بسازند که بیان‌گری داشته باشند و از سامانه‌های گفتاری سرتاسری بهره ببرند.

این معامله همچنین به Deepgram امکان می‌دهد با استفاده از Pipecat حوزه‌هایی فراتر از صدا را بررسی کند، چراکه این چارچوب از ارتباط بلادرنگ در قالب‌های مختلف پشتیبانی می‌کند.

کرامر گفت: «ما هیچ‌وقت به Pipecat به چشم یک ابزارک صوتی نگاه نکردیم. آن را ابزارکی می‌دانستیم که برای ساخت این نوع جدید از نرم‌افزارهای بومی هوش مصنوعی به آن نیاز داشتیم. با توجه به پیشینه‌مان، همیشه فرض را بر بلادرنگ‌بودن می‌گذاشتیم.»

Deepgram همچنین در حال راه‌اندازی Real-Time Context Standard (RCS) است؛ پروتکلی باز برای عامل‌های صوتی که این شرکت با همکاری تیم Pipecat توسعه داده است. این پروتکل فراداده‌هایی مانند زمینه برگرفته از صدا، از جمله نجوا، دستورالعمل‌هایی برای مدل زبانی درباره نحوه استفاده از این سیگنال‌ها و راهنمایی‌هایی درباره چگونگی بیان پاسخ را تعریف می‌کند.

هوش مصنوعی صوتی هم از سوی شرکت‌های سازنده مدل و هم از سوی شرکت‌های فعال در حوزه زیرساخت، سرمایه‌گذاری‌های زیادی جذب کرده است. شرکت‌های سازنده مدل مانند ElevenLabs، Gradium و Fish Audio میلیون‌ها دلار جذب کرده‌اند. از سوی دیگر، شرکت‌های زیرساختی مانند LiveKit و Vapi نیز امسال دورهای سرمایه‌گذاری چندمیلیون‌دلاری داشته‌اند.